اللهجات: نفهمها، لكن لا نُعيد إنتاجها
النماذج اللغوية الكبيرة الحديثة تتعامل بشكل جيد مع فهم اللهجات الإنجليزية — فهي قادرة على تحليل سؤال أو أمر صيغ بلهجة إقليمية. لكن بمجرد أن نطلب من النموذج أن يرد بنفس الأسلوب، فإنه دائمًا ما يتحول إلى الإنجليزية القياسية، وغالبًا ما تكون موجهة نحو المعيار الأمريكي. ينشأ فجوة مثيرة للاهتمام: النموذج يسمع اللهجة، ويفسرها بشكل ممتاز، لكنه يتحدث باللغة "الفصحى". في الأدبيات البحثية، تُعرف هذه الظاهرة باسم robustness-generation gap — أي التباين بين القدرة على التعامل مع المدخلات غير القياسية والقدرة على إعادة إنتاجها في التوليد الخاص به.
هذه الفجوة تحديدًا هي ما قرر مؤلفو عمل DiaLLM دراستها، والذي نُشر مؤخرًا على arXiv (2607.07669). لقد طرحوا سؤالًا: هل يمكن تعليم النماذج اللغوية المفتوحة ليس فقط فهم اللهجات، بل أيضًا التحدث بها بنشاط — وإذا كان الأمر كذلك، فما هي طرق التدريب التي تعطي أفضل نتيجة؟
ما الذي يقدمه DiaLLM
لم يقم الباحثون بضبط نموذج على لهجة واحدة محددة. بدلاً من ذلك، أخذوا ثلاث عائلات من نماذج LLM المفتوحة وواصلوا تدريبها المسبق على المجموعة الدولية للغة الإنجليزية (International Corpus of English). تحتوي هذه المجموعة على نصوص بمتغيرات وطنية وإقليمية متعددة — من الأسترالية إلى الهندية.
بعد ذلك، انقسم التدريب إلى اتجاهين: النموذج الضمني، حيث يتعلم النموذج خصائص اللهجة من الأمثلة بنفسه، والنموذج الصريح، حيث يتم تدريب النموذج بشكل صريح على اختيار الصيغ اللهجية. تم دمج كل اتجاه أيضًا مع واحدة من ثلاث استراتيجيات للمواءمة. النتيجة كانت نوعًا من مصفوفة التجارب، مما يسمح بتقييم مساهمة كل مرحلة تدريب على حدة.
وفقًا للمؤلفين، هذه هي أول مقارنة مضبوطة لمثل هذه المكونات للهجات الإنجليزية الأسترالية والهندية والشمالية. لم يختبر أحد هذه الأساليب من قبل على قاعدة تجريبية موحدة.
ماذا أظهرت التجارب
الاستنتاج الرئيسي — أن القدرة على فهم اللهجة والقدرة على توليدها غير مرتبطتين مباشرة بالفعل. لا تنبع إحداهما من الأخرى: يمكن للنموذج معالجة التراكيب اللهجية بشكل ممتاز وفي نفس الوقت يصر على الرد باللغة القياسية.
هناك أمر آخر مثير للاهتمام أيضًا. كانت نتائج النماذج على المعايير الآلية محددة بشكل أساسي من خلال التدريب المسبق المستمر وsupervised fine-tuning (SFT). كان تأثير المواءمة على مقاييس الاختبار غير ملحوظ تقريبًا. لكن هذا لا يعني أن المواءمة عديمة الفائدة: لقد غيّرت أسلوب الردود بشكل كبير، فقط المعايير القياسية ليست حساسة لمثل هذه التغييرات. يتبين أنه إذا قمنا بتقييم النماذج بالأرقام فقط، فقد نستنتج خطأً أن جميع الطرق متكافئة.
لماذا يعتبر توليد اللهجات مهمة صعبة
قارن المؤلفون بشكل منفصل التكيف الصريح مع متغير لغوي محدد والمواءمة الأوسع غير المرتبطة باللهجة. النهج الصريح أعطى بالفعل نصوصًا تمكن كل من المصنفات الآلية والبشر من التعرف عليها بثقة على أنها لهجية. حصلت هذه الردود على تقييمات أعلى مقارنة بالمواءمة الواسعة.
لكن هنا ظهرت فارق بسيط غير متوقع. الطريقة التي قامت بتحسين "مكافأة اللهجة" بشكل أكثر عدوانية، أي شجعت النموذج بنشاط أكبر على استخدام التعابير اللهجية، لم تعجب في النهاية المقيّمين البشر. المعيار الرسمي المدمج في الخوارزمية لم يتطابق مع التصور البشري للخطاب اللهجي عالي الجودة. أكد التحليل اللغوي الإضافي: هناك فجوة بين التحسين الرسمي والجودة الحقيقية، خاصةً ملحوظة في عائلتين من أصل ثلاث من عائلات النماذج.
وبالتالي، لم تُظهر أي من استراتيجيات المواءمة الثلاث تفوقًا مطلقًا. لا توجد وصفة بسيطة من قبيل "اضبط النموذج على اللهجة واحصل على مساعد يتحدث بها". لسد هذه الفجوة، هناك حاجة إلى تصميمات مكافآت أكثر دقة — لا تقتصر على عقوبة واحدة للانحراف عن المعيار — وموارد لهجية عالية الجودة للتدريب.
الاستنتاجات والآفاق
عمل DiaLLM قيّم لأنه يقدم صورة منهجية لكيفية تأثير مراحل التدريب المختلفة على التوليد اللهجي. بالنسبة للممارسين، هذا يعني: إذا كنت تريد أن يتواصل المساعد باللغة الإنجليزية الأسترالية أو الهندية، فإن التدريب المسبق المستمر وحده لا يكفي. ستكون هناك حاجة إلى مواءمة مدروسة، ويجب التحقق من نتيجتها ليس فقط من خلال المعايير الآلية، ولكن أيضًا بمشاركة متحدثين أصليين أحياء للهجة.
الخبر السار: يخطط المؤلفون لنشر الكود ونقاط التحقق ومجموعات البيانات مع التفضيلات البشرية. سيسمح هذا للفرق الأخرى بمواصلة التجارب وتجربة طرق أكثر تعقيدًا للتعلم المعزز.
في الوقت الحالي، يبدو الاستنتاج الرئيسي متناقضًا تقريبًا: النماذج اللغوية الكبيرة تتحسن باستمرار في فهم اللهجات، لكن قدرتها على التحدث بها تظل مشكلة غير محلولة لا يمكن حلها بمجرد زيادة حجم بيانات التدريب.
